000164726 001__ 164726
000164726 005__ 20251203145553.0
000164726 037__ $$aTAZ-TFG-2025-3151
000164726 041__ $$aspa
000164726 1001_ $$aFerreras Pajarín, Javier
000164726 24200 $$aOptimization of blastocyst segmentation using ensemble techniques of deep learning models
000164726 24500 $$aOptimización de la segmentación de blastocistos mediante técnicas de ensemble de modelos de deep learning
000164726 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2025
000164726 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000164726 520__ $$aEste trabajo se centra en la segmentación automática de blastocistos a partir de imágenes de microscopio, un proceso de gran utilidad para la selección de blastocistos en los tratamientos de fecundación in vitro. Se desarrollan y comparan diferentes estrategias de ensemble learning para combinar las predicciones de varios modelos pre-entrenados de segmentación semántica (DeepLab, HRNet, U-Net y RDU-Net), con el objetivo de mejorar la precisión y robustez de la segmentación de las tres principales estructuras del blastocisto: la Zona Pelúcida (ZP), el Trofoectodermo (TE) y la Masa Celular Interna (MCI). Las estrategias desarrolladas incluyen técnicas no supervisadas basadas en operaciones sobre las máscaras (post-procesamiento, OR, AND, voto mayoritario) y las probabilidades de salida (softmax, max, suma ponderada), así como enfoques supervisados (Regresión Logística, Perceptrón Multicapa y Random Forest). Estas estrategias se han evaluado en dos conjuntos de datos distintos, y destaca el rendimiento de uno de los perceptrones multicapa, que alcanza el mejor equilibrio entre precisión y recall, con buena generalización. Estos resultados se han comparado con los del estado del arte, obteniéndose las mejores métricas para la segmentación de la ZP, el segundo puesto para el TE y el tercero para la MCI. Además, se ha creado un repositorio público (https://github.com/816410unizar/Blastocyst-Seg-Ensemble) que incluye el código, las métricas y los mejores modelos entrenados, con el fin de fomentar la reproducibilidad y extensión del trabajo.<br />
000164726 521__ $$aGraduado en Ingeniería Informática
000164726 540__ $$aDerechos regulados por licencia Creative Commons
000164726 691__ $$a3
000164726 692__ $$aEste trabajo contribuye al ODS 3, meta 3.7, al proponer herramientas basadas en deep learning para automatizar y optimizar el proceso de selección de blastocistos en los tratamientos de fecundación in vitro. Esto fomenta el acceso más eficiente, seguro y universal a los servicios de salud reproductiva.
000164726 700__ $$aVillota Miranda, María$$edir.
000164726 700__ $$aAyensa Jiménez, Jacobo$$edir.
000164726 7102_ $$aUniversidad de Zaragoza$$bIngeniería Mecánica$$cMec. de Medios Contínuos y Teor. de Estructuras
000164726 7202_ $$aMontijano Muñoz, Eduardo$$eponente
000164726 8560_ $$f816410@unizar.es
000164726 8564_ $$s3276494$$uhttps://zaguan.unizar.es/record/164726/files/TAZ-TFG-2025-3151.pdf$$yMemoria (spa)
000164726 909CO $$ooai:zaguan.unizar.es:164726$$pdriver$$ptrabajos-fin-grado
000164726 950__ $$a
000164726 951__ $$adeposita:2025-12-03
000164726 980__ $$aTAZ$$bTFG$$cEINA
000164726 999__ $$a20250627180253.CREATION_DATE